CN114972799A - 一种基于多偏光岩石薄片的长石矿物智能识别方法 - Google Patents
一种基于多偏光岩石薄片的长石矿物智能识别方法 Download PDFInfo
- Publication number
- CN114972799A CN114972799A CN202210480410.5A CN202210480410A CN114972799A CN 114972799 A CN114972799 A CN 114972799A CN 202210480410 A CN202210480410 A CN 202210480410A CN 114972799 A CN114972799 A CN 114972799A
- Authority
- CN
- China
- Prior art keywords
- feldspar
- image
- rock
- gray level
- bicrystal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于多偏光岩石薄片的长石矿物智能识别方法,按岩石颗粒样本输入岩石薄片图像;得到单颗粒图像;得到长石颗粒图像;得到长石颗粒图像的双晶特征;获得长石颗粒样本的高维双晶特征;长石分类结果。本发明对能量、熵、对比度、相关度进行归一化处理,能量、熵、对比度、相关度这几个统计量数量级不同,为使得它们在后续处理过程的重要性程度是相等的,则采用最大‑最小归一化方法。本发明使用加权法充分结合图像的灰度共生矩阵的四个统计量。本发明通过拼接同一颗粒样本的单偏光、多角度的正交偏光岩石薄片图像的双晶特征形成更高维通道的特征,从而在聚类过程中达到更好的分类效果。
Description
技术领域
本发明涉及长石矿物识别技术领域,更具体地说涉及一种基于多偏光岩石薄片的长石矿物智能识别方法。
背景技术
岩石薄片图像的分析,是鉴定储层岩石微观结构的基础。通过在偏光显微镜下,在不同的正交偏光角度下岩石薄片会显出不同的特征,从而不仅可以了解储层岩石的组成、性质及结构,而且对含油气盆地的地层、沉积环境等研究均具有十分重要的意义和实用价值。
传统的岩石薄片图像是通过人工在显微镜下鉴定,费时、费力、受主观影响较大,分析结果也很难实现定量化表征,并且识别过程需要专业人士去指导,加之图像拼接技术的发展,对于全尺寸岩石图像的巨大数据量,人工方式已经难以对其进行精细、定量分析。
此时,通过图像处理技术对岩石图像进行分析在未来将表现出巨大的发展潜力,长石矿物干涉色为一级灰白,石英矿物干涉色为一级黄白到灰白,因此不同人鉴定的认知水平差异,导致人工鉴定两种干涉色易混淆。
目前现有的岩石薄片智能识别只是基于石英、长石大类的识别,没有建立斜长石、正长石、微斜长石、条纹长石等更细的智能识别方法。而不同类型的长石矿物双晶类型和消光角度多样,通过图像处理技术可以对长石的干涉色、消光角度、形状、大小都可直接获得,利用智能识别技术实现定量表征。并且任意类别的长石矿物都可单独进行细致分析,提取其中的双晶、干涉色等特征与规律,方便地质人员针对长石更细的类型进行深入分析研究。因此该技术未来能够将地质研究向着大数据、自动化方向进一步推进。
在《基于岩石图像特征的聚类分析研究》中范鹏召将灰度共生矩阵的对比度作为单偏光图像的双晶特征,和图像的颜色特征一起使用形成高维特征,使用FCM聚类法对岩石薄片进行分类,该研究存在以下问题:
其一、数据使用单一,只利用了单偏光岩石图像信息,没有结合多角度的正交偏光信息。
其二、未综合利用双晶特征的各项统计量,双晶特征只利用了灰度共生矩阵的对比度统计量,忽略了其他统计量。
其三、现有技术一未对岩石图像中的长石组分进行更细的识别与划分,(长石:斜长石、微斜长石、正长石、条纹长石)
其四、现有技术一中所使用的岩石铸体薄片图像样本,视阈小、所包含组分少。
在中国专利CN 202110627104.5,公开了一种基于岩石薄片显微图像深度学习的岩石分类方法,该专利将采集到的岩石薄片进行数据增强后输入进ResNet的深度学习模型中,进行分类模型训练,利用该模型,达到了较好的分类效果,该专利存在以下问题:
该专利仅仅将单偏光、正交偏光统一作为分类模型的输入,在模型内部并未综合考虑两种图像样本所提供的信息。
发明内容
本发明克服了现有技术中的不足,目前现有的关于岩石图像特征的聚类分析研究和基于岩石薄片显微图像深度学习的岩石分类方法的专利都存在各种问题,提供了一种基于多偏光岩石薄片的长石矿物智能识别方法,本发明使用加权法充分结合图像的灰度共生矩阵的四个统计量。本发明通过拼接同一颗粒样本的单偏光、多角度的正交偏光岩石薄片图像的双晶特征形成更高维通道的特征,从而在聚类过程中达到更好的分类效果。
本发明的目的通过下述技术方案予以实现。
一种基于多偏光岩石薄片的长石矿物智能识别方法,按照下述步骤进行:
ⅰ.按岩石颗粒样本输入岩石薄片图像:
按组输入多组岩石薄片图像,每组包含多张偏光图像;
ⅱ.得到单颗粒图像:
利用最大类间方差法对岩石薄片图像进行分割,获得单颗粒图像;
ⅲ.得到长石颗粒图像:
利用训练模型对步骤ⅱ颗粒图像进行三分类,获得长石颗粒图像;
ⅳ.得到长石颗粒图像的双晶特征:
提取长石图像的灰度共生矩阵的四个统计量,即对比度、熵、相关度、能量;
ⅴ.获得长石颗粒样本的高维双晶特征:
并对步骤ⅳ的统计量进行加权,组合多角度正交偏光图像的灰度共生矩阵的加权特征形成高维双晶特征;
ⅵ.长石分类结果:
使用K-means聚类方法对特征进行聚类,得到长石颗粒图像的子类分类结果。
在步骤i中,岩石薄片图像包含单偏光图像和正交偏光图像。
在步骤ii中,得到单颗粒图像,是基于岩石颗粒的消光特性,薄片图像中各处存在灰度性上的差异,对岩石薄片图像进行分割,得到单颗粒图像。
在步骤iii中,得到长石颗粒图像的具体过程如下:
步骤1,利用训练好的ResNet101三分类网络,对获得的单颗粒图像进行石英、长石、其他的类别划分;
步骤2,通过筛选得到长石颗粒图像。
在步骤iv中,得到长石颗粒图像的双晶特征的具体过程如下:
步骤1,将长石颗粒的RGB图像转为灰度图像,以当前像素点i为中心进行区域划分,得到当前区域Ai,区域窗口大小为k*k,超出图像范围的单元格取窗口其余单元格的灰度和的平均值进行填充,接着计算当前区域Ai的灰度共生矩阵,灰度共生矩阵公式可以表示为:
p(i,jd,θ)={(x,y)f(x,y)=i,f(x+dcosθ,y+dsinθ)=j;x,y=0,1,2,...,N-1}
其中,p(i,j|d,θ)表示在图像中灰度值为i的像素与间隔距离为d、且方向为θ的灰度值为j的像素的灰度共生矩阵,f(x,y)表示图像第x行,第y列像素点的灰度值,d为移设定值,θ为灰度共生矩阵所选取的空间方向角度;
步骤2,计算长石图像的灰度共生矩阵;
步骤3,基于灰度共生矩阵计算统计量,从而量化双晶特征,即获取单张图像的双晶特征,其中,中正长石的表面相对平滑或者表面带有析出土;中斜长石的表面具有消光条纹或者表面绢云母化;中微斜长石的表面具有格子双晶、中条纹长石表面具细条纹或者棒状条纹。
在步骤iv中,对比度Con的计算公式为:
熵Ent的计算公式为:
相关度Corr的计算公式为:
其中,
能量Asm的计算公式为:
其中,i,j分别代表像素点的灰度值;p(i,j)=p(i,j|d,θ)代表图像中灰度值为i的像素与间隔距离为d、且方向为θ的灰度值为j的像素的灰度共生矩阵;分别为沿灰度共生矩阵的行、列计算所得均值,δx、δy为行和列的标准差。
将步骤ⅲ中各个灰度共生矩阵的对比度、熵、相关度、能量分别求均值,将均值统计量进行归一化后加权,以加权特征来表示长石图像的双晶特征。其加权公式如下:
Xm,n表示图像第m行、第n列的像素点的加权双晶特征。其中,M、N分别代表图像的高、宽;分别代表归一化后的第m行、第n列的像素点的对比度、熵、相关度、能量,归一化方法采用最大-最小归一化方法,使得在后续聚类分析中,各统计量重要程度相同;a、代表权重值,而由于对比度反映了双晶的沟纹深浅、清晰度,在岩石分类过程中较为重要,故设其权重系数a=0.7。
在步骤ⅴ中,获得长石颗粒样本的高维双晶特征的具体过程如下:
步骤2,在此基础上,得到n组长石颗粒图像的高维双晶特征向量数据集X:
X={x1,x2,...xn}。
在步骤ⅵ中,长石分类结果的具体过程如下:
步骤1,随机选择一个长石颗粒图像高维双晶特征向量作为初始聚类中心c1;
步骤2,计算每个高维双晶特征向量与当前已有聚类中心之间的最短距离,此处距离衡量标准采用欧式距离,即:为样本xi与聚类中心cj的距离,t为当前已选出的聚类中心数以及计算每个向量样本被选为下一个聚类中心的概率,选择最大概率值所对应的样本点为下一个聚类中心,其公式如下所示:
步骤3,重复步骤2直至选出4个聚类中心,C={c1,c2,c3,c4};
步骤6,重复步骤4-5直到聚类中心不再变化,最终得到长石图像的分类结果。
本发明的有益效果为:本发明对能量、熵、对比度、相关度进行归一化处理,能量、熵、对比度、相关度这几个统计量数量级不同,为使得它们在后续处理过程的重要性程度是相等的,则采用最大-最小归一化方法;
本发明使用加权法充分结合图像的灰度共生矩阵的四个统计量,对比度更能有效表示双晶的沟纹深浅、清晰度;
本发明通过拼接同一颗粒样本的单偏光、多角度的正交偏光岩石薄片图像的双晶特征形成更高维通道的特征,从而在聚类过程中达到更好的分类效果。
附图说明
图1是本发明的方法流程图;
图2是本发明中长石颗粒图像双晶特征的流程图;
图3是本发明中灰度共生矩阵几何表达示意图;
图4是本发明中灰度共生矩阵计算示意图;
图5是本发明中输出聚类结果的流程图。
具体实施方式
下面通过具体的实施例对本发明的技术方案作进一步的说明。
实施例一
如图1~5所示,一种基于多偏光岩石薄片的长石矿物智能识别方法,包括以下步骤:
ⅰ.按岩石颗粒样本输入岩石薄片图像
按组输入多组岩石薄片图像,每组包含多张偏光图像;
ⅱ.得到单颗粒图像
利用最大类间方差法对岩石薄片图像进行分割,获得单颗粒图像;
ⅲ.得到长石颗粒图像
利用训练模型对步骤ⅱ颗粒图像进行三分类,获得长石颗粒图像;
ⅳ.得到长石颗粒图像的双晶特征
提取长石图像的灰度共生矩阵的四个统计量,即对比度、熵、相关度、能量;
ⅴ.获得长石颗粒样本的高维双晶特征
并对步骤ⅳ的统计量进行加权,组合多角度正交偏光图像的灰度共生矩阵的加权特征形成高维双晶特征;
ⅵ.长石分类结果
使用K-means聚类方法对特征进行聚类,得到长石颗粒图像的子类分类结果。
步骤ⅰ中岩石薄片图像包含单偏光图像和正交偏光图像。
步骤ⅱ中得到单颗粒图像,基于岩石颗粒的消光特性,薄片图像中各处存在灰度性上的差异,对岩石薄片图像进行分割,得到单颗粒图像。
步骤ⅲ得到长石颗粒图像,具体过程如下:
首先,利用训练好的ResNet101三分类网络,对获得的单颗粒图像进行石英、长石、其他的类别划分;
然后,筛选得到长石颗粒图像。
步骤ⅳ得到长石颗粒图像的双晶特征,具体过程如下:
首先,将长石颗粒的RGB图像转为灰度图像;
然后,计算长石图像的灰度共生矩阵;
再后,基于灰度共生矩阵计算统计量,从而量化双晶特征;
最后,获取单张图像的双晶特征。
步骤ⅴ获得长石颗粒样本的高维双晶特征,具体过程如下:
首先,得到第i组的高维双晶特征向量;
然后,在此基础上,得到n组长石颗粒图像的高维双晶特征向量数据集。
步骤ⅵ长石分类结果,具体过程如下:
首先,随机选择一个长石颗粒图像高维双晶特征向量作为初始聚类中心;
然后,计算每个高维双晶特征向量与当前已有聚类中心之间的最短距离,选择最大概率值所对应的样本点为下一个聚类中心;
再后,重复上述过程选出4个聚类中心;
再后,计算数据集中每个样本x到4个聚类中心的距离,并将其分到距离最小的聚类中心所对应的类中;
再后,分别重新计算四个类别的聚类中心;
再后,重复上述两步直到聚类中心不再变化;
最后,得到长石图像的分类结果。
优选的,岩石薄片图像包括1张单偏光和10张不同角度的正交偏光图像。
本发明的识别方法首先获取岩石薄片图像中的长石颗粒,其次采用基于灰度共生矩阵的四个统计量提取长石图像的双晶特征并对其进行加权,将同一组11张长石图像的加权特征进行通道拼接形成高维双晶特征,最后利用K-means++对高维双晶特征向量集合进行聚类划分,以实现对长石细分类的目的。
实施例二
ⅰ.按岩石颗粒样本输入岩石薄片图像
按组输入岩石薄片图像,其中,每组含同一岩石薄片样本的1张单偏光和多张不同角度的正交偏光图像。
本实施例中为1张单偏光图像和10张不同角度的正交偏光图像,即一组共11张。
ii.得到单颗粒图像
基于岩石颗粒的消光特性,薄片图像中各处存在灰度性上的差异,适合阈值分割算法。
本实施例选择最大类间方差法(OSTU)对岩石薄片图像进行分割,利用直方图来计算各个灰度级的概率,再将岩石图像分为背景、目标两部分,并对这两部分求出类间方差,两类灰度差别越大,类间方差越大,分割效果越好。
最后,选择使得类间方差最大的值为阈值τ,该阈值τ将图像中像素分为大于τ、小于τ两类,以此对岩石薄片图像完成了分割。
iii.得到长石颗粒图像
利用已经训练好的ResNet101三分类网络,络对获得的单颗粒图像进行石英、长石、其他的类别划分,从而筛选出长石颗粒图像。
iv.得到长石颗粒图像的双晶特征
首先,将长石颗粒的RGB图像转为灰度图像。
然后,计算长石图像的灰度共生矩阵。
长石灰度图像所表现出的双晶,在图像空间中存在一定的灰度关系,则本实施例选择涉及像素距离和角度的矩阵函数:灰度共生矩阵,计算在图像空间中相隔某距离的两像素之间灰度的相关性。
作为优选的,单张长石颗粒图像的双晶特征计算过程如下:
以当前像素点i为中心进行区域划分,得到当前区域Ai,区域窗口大小为k*k,本实施例设置为k=16。为不遗失信息,超出图像范围的单元格取窗口其余单元格的灰度和的平均值进行填充,接着计算当前区域Ai的灰度共生矩阵,灰度共生矩阵公式可以表示为:
p(i,j|d,θ)={(x,y)|f(x,y)=i,f(x+dcosθ,y+dsinθ)=j;x,y=0,1,2,...,N-1}
其中,p(i,j|d,θ)表示在图像中灰度值为i的像素与间隔距离为d、且方向为θ的灰度值为j的像素的灰度共生矩阵,f(x,y)表示图像第x行,第y列像素点的灰度值,本方法中设置d=1。也可简单理解成:需统计的是距离(dx+dy)处f(x+dx,y+dy)=j的次数。
在实施例应用中,通常计算灰度共生矩阵所选取的空间方向角度θ如下:0°、45°、90°、135°。当θ=0°时,像素对是水平相邻;θ=45°时,像素对是呈左对角的;θ=90°时,像素对是垂直相邻的;θ=135°度时,像素对是呈右对角的。
其中,方向是双向的,比如0°包括180°、45°包括225°。
以一个4*4的矩阵区域为例,计算该区域的灰度共生矩阵。
首先创建大小为4*4的空矩阵,设d=1,θ=0°。遍历则4*4的矩阵区域,第一个灰度对(0,0)出现的次数(d=1,θ=0°)=4;第二个灰度对(0,1)出现的次数(d=1,θ=0°)=2;直至遍历完该矩阵得到第一个灰度共生矩阵。同理可推,当θ=45°、θ=90°、θ=135°时,灰度共生矩阵的计算。
再后,基于灰度共生矩阵计算一些统计量,以此来量化双晶特征。观察四类长石在正交偏光下所表现出的特征,中正长石表面相对平滑,或者表面带有析出土;中斜长石具有消光条纹、或者表面绢云母化;中微斜长石具有格子双晶;中条纹长石表面具细条纹,或者棒状条纹。
综合考虑各类长石特征,选取统计量:对比度、熵、相关度、能量,以此分别衡量条纹的沟纹深浅、图像以及其中条纹的复杂程度、条纹变化的快慢、条纹的均匀性。
下列公式中以p(i,j)代替p(i,j|d,θ)
对比度:衡量图像矩阵值是如何分布、图像中局部变化的程度,反应图像的清晰度以及双晶的沟纹深浅。双晶的沟纹越深,反差越大,对比度越大;反之,对比度越小。计算公式如下,
熵:衡量图像包含信息的随机性,其值表明图像灰度分布的复杂程度,熵值越大,图像越复杂。计算公式如下:
相关度:反应了图像双晶的一致性。它度量空间灰度共生矩阵元素在行或列方向上的相似程度,因此,相关值大小反映了图像中局部灰度相关性。当矩阵元素值均匀相等时,相关值就大;相反,如果矩阵像元值相差很大则相关值小。计算公式如下:
其中,
能量:衡量双晶的均匀性,同时也可以反应双晶的粗糙程度,双晶越粗糙,能量值越高。计算公式如下:
再后,获取单张图像的双晶特征
计算四个灰度共生矩阵的对比度、熵、相关度、能量,对得到的4个对比度、4个熵、4个相关度、4个熵分别求均值,将均值统计量进行归一化后加权,以加权特征来表示长石图像的双晶特征。其加权公式如下:
Xm,n表示图像第m行、第n列的像素点的加权双晶特征。其中,M、N分别代表图像的高、宽;分别代表归一化后的第m行、第n列的像素点的对比度、熵、相关度、能量,归一化方法采用最大-最小归一化方法,使得在后续聚类分析中,各统计量重要程度相同;a、代表权重值,而由于对比度反映了双晶的沟纹深浅、清晰度,在岩石分类过程中较为重要,故设其权重系数a=0.7。
ⅴ.获得长石颗粒样本的高维双晶特征
X={x1,x2,...xn}
ⅵ.长石分类结果
使用k-means++算法对得到的特征向量集X={x1,x2,...xn}进行聚类,得到长石图像分类结果,具体的:
1.随机选择一个长石颗粒图像高维双晶特征向量作为初始聚类中心c1。
2.计算每个高维双晶特征向量与当前已有聚类中心之间的最短距离,此处距离衡量标准采用欧式距离,即:为样本xi与聚类中心cj的距离,t为当前已选出的聚类中心数以及计算每个向量样本被选为下一个聚类中心的概率,选择最大概率值所对应的样本点为下一个聚类中心,其公式如下所示:
3.重复步骤2直至选出4个聚类中心,C={c1,c2,c3,c4}。
6.重复步骤4-5直到聚类中心不再变化,最终得到长石图像的分类结果。
本发明对能量、熵、对比度、相关度进行归一化处理,能量、熵、对比度、相关度这几个统计量数量级不同,为使得它们在后续处理过程的重要性程度是相等的,则采用最大-最小归一化方法。
本发明使用加权法充分结合图像的灰度共生矩阵的四个统计量,对比度更能有效表示双晶的沟纹深浅、清晰度。
本发明通过拼接同一颗粒样本的单偏光、多角度的正交偏光岩石薄片图像的双晶特征形成更高维通道的特征,从而在聚类过程中达到更好的分类效果。
以上对本发明做了示例性的描述,应该说明的是,在不脱离本发明的核心的情况下,任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。
Claims (8)
1.一种基于多偏光岩石薄片的长石矿物智能识别方法,其特征在于:按照下述步骤进行:
ⅰ.按岩石颗粒样本输入岩石薄片图像:
按组输入多组岩石薄片图像,每组包含多张偏光图像;
ⅱ.得到单颗粒图像:
利用最大类间方差法对岩石薄片图像进行分割,获得单颗粒图像;
ⅲ.得到长石颗粒图像:
利用训练模型对步骤ⅱ颗粒图像进行三分类,获得长石颗粒图像;
ⅳ.得到长石颗粒图像的双晶特征:
提取长石图像的灰度共生矩阵的四个统计量,即对比度、熵、相关度、能量;
ⅴ.获得长石颗粒样本的高维双晶特征:
并对步骤ⅳ的统计量进行加权,组合多角度正交偏光图像的灰度共生矩阵的加权特征形成高维双晶特征;
ⅵ.长石分类结果:
使用K-means聚类方法对特征进行聚类,得到长石颗粒图像的子类分类结果。
2.根据权利要求1所述的一种基于多偏光岩石薄片的长石矿物智能识别方法,其特征在于:在步骤ⅰ中,岩石薄片图像包含单偏光图像和正交偏光图像。
3.根据权利要求1所述的一种基于多偏光岩石薄片的长石矿物智能识别方法,其特征在于:在步骤ⅱ中,得到单颗粒图像,是基于岩石颗粒的消光特性,薄片图像中各处存在灰度性上的差异,对岩石薄片图像进行分割,得到单颗粒图像。
4.根据权利要求1所述的一种基于多偏光岩石薄片的长石矿物智能识别方法,其特征在于:在步骤ⅲ中,得到长石颗粒图像的具体过程如下:
步骤1,利用训练好的ResNet101三分类网络,对获得的单颗粒图像进行石英、长石、其他的类别划分;
步骤2,通过筛选得到长石颗粒图像。
5.根据权利要求1所述的一种基于多偏光岩石薄片的长石矿物智能识别方法,其特征在于:在步骤ⅳ中,得到长石颗粒图像的双晶特征的具体过程如下:
步骤1,将长石颗粒的RGB图像转为灰度图像,以当前像素点i为中心进行区域划分,得到当前区域Ai,区域窗口大小为k*k,超出图像范围的单元格取窗口其余单元格的灰度和的平均值进行填充,接着计算当前区域Ai的灰度共生矩阵,灰度共生矩阵公式可以表示为:
p(i,j|d,θ)={(x,y)|f(x,y)=i,f(x+dcosθ,y+dsinθ)=j;x,y=0,12,...,N-1}
其中,p(i,j|d,θ)表示在图像中灰度值为i的像素与间隔距离为d、且方向为θ的灰度值为j的像素的灰度共生矩阵,f(x,y)表示图像第x行,第y列像素点的灰度值,d为移设定值,θ为灰度共生矩阵所选取的空间方向角度;
步骤2,计算长石图像的灰度共生矩阵;
步骤3,基于灰度共生矩阵计算统计量,从而量化双晶特征,即获取单张图像的双晶特征,其中,中正长石的表面相对平滑或者表面带有析出土;中斜长石的表面具有消光条纹或者表面绢云母化;中微斜长石的表面具有格子双晶、中条纹长石表面具细条纹或者棒状条纹。
6.根据权利要求1所述的一种基于多偏光岩石薄片的长石矿物智能识别方法,其特征在于:在步骤iv中,对比度Con的计算公式为:
熵Ent的计算公式为的计算公式为:
相关度Corr的计算公式为:
其中,
能量Asm的计算公式为:
其中,i,j分别代表像素点的灰度值;p(i,j)=p(i,j|d,θ)代表图像中灰度值为i的像素与间隔距离为d、且方向为θ的灰度值为j的像素的灰度共生矩阵;分别为沿灰度共生矩阵的行、列计算所得均值,δx、δy为行和列的标准差。
将步骤ⅲ中各个灰度共生矩阵的对比度、熵、相关度、能量分别求均值,将均值统计量进行归一化后加权,以加权特征来表示长石图像的双晶特征。其加权公式如下:
8.根据权利要求1所述的一种基于多偏光岩石薄片的长石矿物智能识别方法,其特征在于:在步骤ⅵ中,长石分类结果的具体过程如下:
步骤1,随机选择一个长石颗粒图像高维双晶特征向量作为初始聚类中心c1;
步骤2,计算每个高维双晶特征向量与当前已有聚类中心之间的最短距离,此处距离衡量标准采用欧式距离,即: 为样本xi与聚类中心cj的距离,t为当前已选出的聚类中心数以及计算每个向量样本被选为下一个聚类中心的概率,选择最大概率值所对应的样本点为下一个聚类中心,其公式如下所示:
步骤3,重复步骤2直至选出4个聚类中心,C={c1,c2,c3,c4};
步骤6,重复步骤4-5直到聚类中心不再变化,最终得到长石图像的分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210480410.5A CN114972799A (zh) | 2022-05-05 | 2022-05-05 | 一种基于多偏光岩石薄片的长石矿物智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210480410.5A CN114972799A (zh) | 2022-05-05 | 2022-05-05 | 一种基于多偏光岩石薄片的长石矿物智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114972799A true CN114972799A (zh) | 2022-08-30 |
Family
ID=82981596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210480410.5A Pending CN114972799A (zh) | 2022-05-05 | 2022-05-05 | 一种基于多偏光岩石薄片的长石矿物智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114972799A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557742A (zh) * | 2024-01-12 | 2024-02-13 | 武汉大学 | 基于数字图像与机器学习的3d岩石储层建模方法 |
CN117975454A (zh) * | 2024-03-28 | 2024-05-03 | 西安图宾智能科技有限公司 | 基于机器学习的工业图像数据处理方法及*** |
-
2022
- 2022-05-05 CN CN202210480410.5A patent/CN114972799A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557742A (zh) * | 2024-01-12 | 2024-02-13 | 武汉大学 | 基于数字图像与机器学习的3d岩石储层建模方法 |
CN117557742B (zh) * | 2024-01-12 | 2024-03-22 | 武汉大学 | 基于数字图像与机器学习的3d岩石储层建模方法 |
CN117975454A (zh) * | 2024-03-28 | 2024-05-03 | 西安图宾智能科技有限公司 | 基于机器学习的工业图像数据处理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114972799A (zh) | 一种基于多偏光岩石薄片的长石矿物智能识别方法 | |
CN109767438B (zh) | 一种基于动态多目标优化的红外热图像缺陷特征识别方法 | |
Kazemi et al. | Automatic recognition of acute myelogenous leukemia in blood microscopic images using k-means clustering and support vector machine | |
CN106257498B (zh) | 基于异构纹理特征的锌浮选工况状态划分方法 | |
CN111738064B (zh) | 一种雾霾图像的雾浓度识别方法 | |
CN105427309B (zh) | 面向对象高空间分辨率遥感信息提取的多尺度分层处理方法 | |
CN109767437B (zh) | 基于k均值动态多目标的红外热图像缺陷特征提取方法 | |
CN105913081B (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN109559309B (zh) | 基于均匀进化的多目标优化红外热图像缺陷特征提取方法 | |
CN109741341A (zh) | 一种基于超像素和长短时记忆网络的图像分割方法 | |
CN113554629A (zh) | 基于人工智能的带钢红锈缺陷检测方法 | |
CN109934287A (zh) | 一种基于lbp与glcm的服装纹理识别分类方法 | |
CN115375690B (zh) | 一种舌象腐腻苔分类识别方法 | |
CN106874862B (zh) | 基于子模技术和半监督学习的人群计数方法 | |
CN116721391B (zh) | 一种基于计算机视觉的原料油分离效果检测方法 | |
CN104134069B (zh) | 一种页岩显微薄片自动鉴别方法 | |
CN109409438A (zh) | 基于ifcm聚类与变分推断的遥感影像分类方法 | |
CN111798526A (zh) | 基于聚类空间映射的彩色图像主色快速提取方法及*** | |
CN109271997A (zh) | 一种基于跳跃细分局部模式的图像纹理分类方法 | |
Gain et al. | CCC: Color Classified Colorization | |
Kaduhm et al. | Studying the classification of texture images by K-means of co-occurrence matrix and confusion matrix | |
CN115640546A (zh) | 一种图像与特征信息融合的岩性识别方法 | |
CN112951427B (zh) | 异常细胞的分级*** | |
CN114970862A (zh) | 一种基于多实例知识蒸馏模型的pdl1表达水平预测方法 | |
Sidqi et al. | Image classification using K–mean algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |